انجمن کامپیوتر ایران

دسته‌بندی نیمه نظارتی مبتنی بر منیفلد در سال‌های اخیر مورد توجه بسیاری از پژوهشگران واقع شده است. رویکرد های موجود از فاصله اقلیدسی به صورت محلی برای تقریب فاصله روی منیفلدها و اعمال فرض هموار بودن روی منیفلد استفاده می‌کنند. در فضایی که چند منیفلد با یکدیگر اشتراک دارند این تقریب در نواحی اشتراک صحیح نبوده و باعث انتشار اشتباه برچسب‌ها می‌شود. در این مقاله الگوریتمی برمبنای تفکیک نقاط داخلی منیفلد از سایر نقاط جهت دسته‌بندی نیمه نظارتی روی منیفلدهای متقاطع جهت یادگیری دسته‌بند مبتنی بر اتصالات مطمئن‌تر در گراف ارائه کننده‌ی داده پیشنهاد شده است. تفکیک نقاط داخلی از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت می‌گیرد. الگوریتم پیشنهادی وزن یال‌های گراف ارائه کننده‌ی منیفلد را جهت انتشار برچسب اصلاح می‌کند. در مقایسه با رویکردهای دسته‌بندی نیمه نظارتی روی چند منیفلد، رویکرد پیشنهادی فرض مشخص بودن ابعاد ذاتی منیفلدها را نداشته، نیاز به تعداد خیلی زیاد داده‌های بدون برچسب ندارد، همچنین خصوصیات همسایگی مشابه به تمام همسایگی‌ها نسبت نمی‌دهد. آزمایش‌ها روی مجموعه داده‌های مصنوعی و واقعی نشان دهنده‌ی دقت خوب روش پیشنهادی نسبت به روش‌های مشابه است.